Agentic AI is kunstmatige intelligentie die zelfstandig een doel nastreeft. Je geeft het een uitkomst in plaats van één losse instructie. Het plant de stappen, gebruikt tools om in andere software te handelen, bekijkt wat er terugkomt en stuurt bij, tot de klus klaar is of tot het de taak overdraagt aan een mens.

Daar ligt de grens tussen agentic AI en de generatieve AI die de meeste salesteams al hebben uitgeprobeerd. Een generatief model schrijft de follow-upmail. Hetzelfde model wordt agentic zodra het ook kan kiezen wie de mail krijgt, hem verstuurt, de reactie leest en een meeting in de agenda zet. Het ene maakt content, het andere maakt werk af.

Het label heeft zich veel sneller verspreid dan wat de techniek kan. Veel tools die als agentic worden verkocht, zijn een chatvenster met een langere takenlijst, en veel taken die als agentic worden gepitcht, hebben het helemaal niet nodig. In sales werken de projecten die smal zijn, onder toezicht draaien en op schone data zijn gebouwd. Het verhaal van "AI vervangt je SDR-team" loopt meestal vast op governance, en zelden op hoe slim het model is.

TL;DR

• Agentic AI is een kwestie van gradatie. Een systeem telt mee als het een doel krijgt in plaats van een prompt, een lus doorloopt van plannen, handelen en controleren, tools gebruikt in echte systemen en onthoudt wat het heeft gevonden. Andrew Ng koos het bijvoeglijk naamwoord zodat je systemen op een schaal kunt plaatsen, in plaats van te discussiëren over agent of geen agent.

• Om het van zijn buren te onderscheiden, vraag je wie de volgende stap koos. Heb jij de regel vooraf geschreven, dan is het automatisering. Bepaalt een mens wat er met de woorden van het model gebeurt, dan is het generatieve AI. Koos het systeem zelf zijn volgende zet, dan is het agentic.

• Autonomie is een instelling die je per taak kiest. Begin bij alles wat een koper ziet met de stand waarin de agent concepten schrijft en een mens goedkeurt. Laat de agent alleen zelfstandig handelen bij stappen die je kunt terugdraaien, en ga steeds één stand omhoog zodra zijn output een aantal weken minder correcties nodig had.

• De taken die zich nu terugbetalen, zijn afgebakend en te controleren: accountonderzoek, enrichment, list building, het CRM opschonen, eerste concepten en snelle follow-up op inbound. Reps zeiden in de enquête van Salesforce uit 2024 dat zo'n 70% van hun tijd opgaat aan ander werk dan verkopen, en daar helpen agents.

• Governance is de bottleneck. Gartner voorspelt dat meer dan twee op de vijf agentic AI-projecten vóór 2028 worden geschrapt. Het risico "excessive agency" van OWASP (te veel functionaliteit, te veel rechten, te veel autonomie) is een kant-en-klare checklist om een agent binnen zijn taak te houden.

• Vraag in een demo wat de tool doet nadat hij iets heeft geschreven, wat er gebeurt als een lookup mislukt, wat hij in je CRM kan lezen en schrijven, en of je een run kunt terugspelen. Een tool die je alleen een concept geeft, is generatieve AI met een nieuw etiket.

Wat AI agentic maakt, en waarom het een kwestie van gradatie is

Het woord "agentic" brak in 2024 door, en dat is voor een flink deel te danken aan Andrew Ng. In een brief in The Batch van juni 2024 legde hij uit waarom hij het bijvoeglijk naamwoord was gaan gebruiken. Discussiëren over de vraag of een systeem wel of geen agent was, leverde niets op. Tussen een model één keer prompten en een volledig autonoom systeem dat plant, tools gebruikt en veel stappen doorloopt, ligt namelijk een breed grijs gebied. Met "agentic" kun je aangeven waar een systeem op die schaal zit.

De betere vraag is dus hoe agentic een tool is, en dat komt neer op vier eigenschappen.

• Een doel in plaats van een prompt. Je beschrijft de uitkomst, bijvoorbeeld een briefing van één pagina over een account met vijf benoemde feiten, en het bedenkt zelf de route.

• Een lus. Het leest de situatie, plant, handelt, controleert het resultaat en beslist opnieuw, in plaats van één keer te antwoorden en te stoppen.

• Tools. Het kan API's aanroepen, op het web zoeken, je CRM bevragen en terugschrijven, zodat dingen echt gebeuren in plaats van alleen beschreven te worden.

• Geheugen. Het houdt bij wat het al heeft gevonden, over stappen of over dagen heen, zodat een lange taak niet bij elke beurt opnieuw begint.

Haal de lus en de tools weg en je houdt een chatbot over die erg zeker van zijn zaak klinkt. De losse eenheid die het werk doet, is een AI-agent, en die heeft een eigen pagina. Rijg je agents en vaste stappen aan elkaar richting een groter doel, dan heb je een agentic workflow. Agentic AI is de overkoepelende term voor allebei, de hele categorie software die handelt op basis van doelen.

Generatieve AI schrijft, automatisering gehoorzaamt, agentic AI kiest

Drie technologieën worden op één hoop gegooid, en de snelste manier om ze uit elkaar te halen is de vraag wie de volgende stap bepaalde.

Gewone automatisering volgt regels die je vooraf hebt geschreven. Een Zapier-zap die een ingevuld formulier naar je CRM kopieert, beslist nooit iets en doet elke keer hetzelfde. Generatieve AI maakt van informatie content. Een model dat een follow-upmail opstelt, schrijft de woorden, maar een mens kiest nog steeds het moment, de ontvanger en of de mail überhaupt de deur uit gaat.

Agentic AI bouwt op allebei voort. Het gebruikt een generatief model als redeneerlaag en koppelingen zoals bij automatisering als handen, en voegt daar het deel aan toe dat geen van beide heeft: oordeel over de volgende zet, op basis van wat de vorige stap opleverde. Stel dat een prospect antwoordt met "stuur me iets voor volgende week". Leest het systeem dat, checkt het de agenda van de rep en stelt het twee tijdstippen voor, dan zit het agentic deel in het kiezen.

De analist van Gartner gaf in de release van juni 2025 over agentic AI-projecten een handige verdeling: agents waar beslissingen nodig zijn, automatisering voor routinematige workflows en assistenten voor simpel opzoekwerk. Het grootste deel van een salesproces is routine. Daarom is een AI-workflow, met vaste stappen en een model dat alleen de delen doet waar taal voor nodig is, vaak de betere build.

Hoeveel autonomie je agentic AI geeft in sales

Omdat zelfstandigheid in gradaties komt, gaat de beslissing die ertoe doet over waar je die per taak instelt. Zie het als een draaiknop in plaats van een schakelaar.

De laagste stand is de co-pilotmodus: de agent doet een voorstel en een mens keurt goed voordat er iets de deur uit gaat. Een stand hoger handelt hij zelfstandig bij stappen die je kunt terugdraaien, zoals een notitie toevoegen of een record taggen, en vraagt hij het eerst voordat hij iets permanents doet. Nog verder handelt hij een hele afgebakende taak af, zoals een lijst opschonen, en meldt hij alleen de uitzonderingen. Helemaal aan het eind voert hij zelf het gesprek met de koper en controleert niemand iets. Daar hoort bijna geen enkel GTM-team te zitten.

Teams branden zich als ze bij outreach meteen naar het uiterste springen. De teams die het goed doen, beginnen met concepten die een mens goedkeurt, zetten een human in the loop overal waar een prospect de output kan zien, en draaien de knop pas verder als de output van de agent een aantal weken achter elkaar minder correcties nodig had.

De stand kan per taak verschillen binnen dezelfde tool. Een agent kan met veel vrijheid accounts onderzoeken, omdat een verkeerde notitie weinig kost en een rep hem toch leest, terwijl de e-mailconcepten van diezelfde agent op de laagste stand blijven.

Waar agentic AI zich terugbetaalt in go-to-market

Het nuttige werk is weinig glamoureus. Het meeste zit midden in de funnel, in het onderzoek en de administratie die de week van een rep opslokken. Verkopers die Salesforce in 2024 ondervroeg, zeiden zo'n 70% van hun tijd kwijt te zijn aan andere taken dan verkopen. In een aparte post hebben we bekeken hoeveel van dat prospectingwerk je kunt automatiseren.

Accountonderzoek, data enrichment, list building, CRM-hygiëne en personalisatie in een eerste concept hebben dezelfde vorm. Elk record vraagt een net iets andere route naar het antwoord, maar het resultaat is snel te controleren. Daar kan een agent werken op een volume dat geen team van mensen haalt, en dat is de eerlijke versie van wat een AI SDR oplevert. Onze post over AI gebruiken voor sales prospecting verdeelt deze taken in wat software kan overnemen en wat een rep beter zelf houdt.

Inbound is vaak de veiligere plek om te beginnen, omdat de intent er al is. Stel dat iemand van een target account op één middag twee keer je prijspagina leest. Een agent kan het bedrijf opzoeken, inschatten hoe goed het past en een openingsbericht klaarzetten tegen de tijd dat de rep de melding bekijkt. De workflows voor websitebezoekers die wij bouwen, gebruiken dit soort smalle agents, waar snelheid en nauwkeurigheid zwaarder wegen dan creativiteit.

Het soort agent verandert het risico. Agents voor één taak, die één klus doen en dan stoppen, zijn het makkelijkst te vertrouwen. Opstellingen waarin meerdere agents onderzoek, schrijven en controle verdelen, kunnen meer aan, maar een vroege fout reist mee door de keten. Achtergrondagents die wakker worden bij een trigger of op een schema, zonder dat iemand meeleest, hebben de strengste grenzen van allemaal nodig.

De bottleneck zit in governance en zelden in intelligentie

De voorspellingen wijzen dezelfde kant op. Gartner verwacht dat AI-agents verkopers in 2028 met tien tegen één in aantal overtreffen, terwijl minder dan 40% van de verkopers zal zeggen dat die agents hen productiever hebben gemaakt. De salesanalist van Gartner beschrijft een plafond in de waarde: steeds meer prompts en tools stapelen op workflows die al ingewikkeld zijn, put verkopers uit. De release van juni voegt daar de geschrapte projecten aan toe: meer dan 40% van de agentic AI-projecten zal eind 2027 zijn stopgezet, vanwege de kosten, onduidelijke waarde of zwakke risicobeheersing.

Leg je ze naast elkaar, dan ligt het probleem zelden bij het model. Het zit in verouderde of dunne data, een agent die meer mag dan zijn taak vraagt, en niemand die bepaalt waar zijn bevoegdheid ophoudt. Het eigen advies van Gartner aan salesleiders is om datakwaliteit en processen op orde te brengen voordat je AI opschaalt.

Securitymensen hebben een naam voor het middelste deel. De lijst van OWASP met de grootste risico's in LLM-applicaties noemt het excessive agency en voert het terug op drie oorzaken: te veel functionaliteit, te veel rechten en te veel autonomie. Het voorbeeld van OWASP zelf had uit een salesteam kunnen komen: een assistent die alleen e-mail hoeft te lezen, maar een plug-in heeft gekregen waarmee hij ook kan versturen. Voor elke oorzaak bestaat een oplossing in GTM.

Geef de agent alleen de tools die zijn taak nodig heeft. Een onderzoeksagent heeft zoekfuncties en leestoegang tot het CRM nodig. E-mail versturen hoort daar niet bij.

Beperk zijn rechten. Alleen leesrechten op records die hij niet mag veranderen, en schrijfrechten alleen op de velden die van hem zijn, zodat een mislukte run geen notities van een rep of een dealfase kan overschrijven.

Zet een mens vóór alles wat hij niet kan terugdraaien, en in GTM is dat alles wat bij een koper terechtkomt. Autonome outbound zonder die check schaalt fouten sneller op dan meetings, rechtstreeks in de inbox van je prospects en ten koste van je afzenderreputatie.

Twee gewoontes dichten het gat. Voed de agent met schone records, want een agent die met verkeerde functietitels werkt, wordt daar niet voorzichtiger van. Hij zit er vol vertrouwen naast, op machinesnelheid. En log elke run, zodat je bij vreemd gedrag kunt zien wat hij las en waarom hij koos wat hij koos.

Behandel de agent daarna als één stap in een groter GTM-systeem, aangestuurd door dezelfde workfloworkestratie als al het andere. Agentic AI is één onderdeel van sales automation en vervangt het niet. Clay wordt vaak de verbindende laag, die de agent schone input geeft en een plek om resultaten weg te schrijven. Die opzet weegt zwaarder dan welk model er in het midden zit.

Vier vragen die laten zien of agentic AI wel agentic is

"Agentic" verkoopt, dus het belandt op tools die gewoon een chatbot met een nieuw likje verf zijn. Met een paar vragen in een demo haal je ze snel uit elkaar.

1. Wat gebeurt er nadat hij iets heeft geschreven? Is het antwoord "je krijgt een concept", dan is het generatieve AI. Een agentic tool zet zelf de volgende stap: hij werkt het record bij, scoort de fit of zet de verzending klaar voor goedkeuring.

2. Wat doet hij als een lookup mislukt? Een tool met een script volgt hetzelfde pad en laat een veld leeg. Een agent hoort een andere bron te proberen, de tegenstrijdigheid te melden of te stoppen en het te vragen, en de leverancier moet je kunnen laten zien dat dat gebeurt.

3. Wat kan hij lezen en schrijven in je systemen? Kan hij niet bij je CRM, je enrichment-data en je verzendtool, dan doet het model in het midden er nauwelijks toe. Hij heeft dan niets om mee te werken en nergens om te handelen.

4. Kun je een run terugspelen? Vraag om de log van één afgeronde taak, met elke beslissing, waar hij naar keek en wat hij deed. Kan de leverancier dat niet laten zien, dan kun jij straks ook niet achterhalen wat er misging als er iets misgaat.

De antwoorden vertellen je ook wie het proces straks in handen heeft. Een agent die alleen binnen de eigen database van de leverancier werkt, laat je een workflow huren die je niet kunt inzien of aanpassen.

Wat er rond agentic AI nog openligt

Een deel van het leidingwerk wordt gestandaardiseerd. Een agent aansluiten op elke databron betekende vroeger maatwerkcode voor elk paar systemen. Anthropic maakte in november 2024 het Model Context Protocol open source, als gemeenschappelijke standaard om AI-assistenten te koppelen aan zakelijke tools en data. Houden standaarden zoals deze stand, dan wordt een agent aan je CRM koppelen configuratiewerk in plaats van een ontwikkelproject.

De agents komen, of je er nu op plant of niet. Gartner voorspelt dat in 2028 een derde van de zakelijke softwareapplicaties agentic AI bevat, tegen minder dan 1% in 2024, en dat minstens 15% van de dagelijkse werkbeslissingen erdoor wordt genomen. Veel daarvan komt binnen als nieuwe functie in software die je al gebruikt, aangezet door de leverancier. Daardoor wordt de vraag over rechten steeds moeilijker te negeren.

Voor twee problemen is nog geen vast antwoord. Het eerste is toezicht op schaal, want niemand heeft een bewezen manier om tientallen agents te besturen die binnen één stack handelen. Het tweede is hoe kopers reageren zodra outreach die door agents is geschreven overal opduikt. Als elke inbox volloopt met geloofwaardige, gepersonaliseerde e-mails, gaat de lat voor relevantie omhoog en worden de luie versies als eerste genegeerd. Dat verschuift de waarde terug naar goed onderzochte, goed getimede outreach aan accounts die al interesse hebben getoond. Agents kunnen dat werk versnellen, vervangen kunnen ze het niet.

Samenvatting

Agentic AI is minder een productcategorie dan een mate van zelfstandigheid. Hoe meer een systeem zelf zijn volgende stap kiest, tools gebruikt in echte systemen en een taak over veel stappen draagt, hoe agentic het is, en hoe meer zorg het nodig heeft.

In sales betaalt die zelfstandigheid zich terug waar de route per record verandert en het resultaat makkelijk te controleren is. Ze kost het meest waar een koper de output ziet of een fout niet terug te draaien is. Bij de teams die er waarde uit halen, maakt het nieuwste model weinig uit. Zij gaven elke agent een smalle taak, schone data en zo weinig rechten als die taak toelaat, en ze hielden een mens op alles wat het bedrijf verlaat.

Wil je hulp bij die van jou? Wij zetten agents op in het CRM, Clay en de automatiseringstools die je nu gebruikt, met de grenzen, goedkeuringsstappen en logs op papier. Daarna dragen we alles gedocumenteerd over, zodat je eigen mensen het kunnen draaien en aanpassen.

Veelgestelde vragen